基于BP神经网络的潜油电泵故障诊断

彭科翔

(长江大学 石油工程学院，湖北 武汉 430100)



基于BP神经网络的潜油电泵故障诊断

彭科翔

(长江大学 石油工程学院，湖北 武汉 430100)

电流卡片是电潜泵井故障诊断的主要依据，目前主要由技术人员人工完成对电泵井的诊断，难以实现快速大批量诊断；且诊断结果受工程师技术水平影响较大。因此提出了应用BP神经网络进行电潜泵故障的诊断，首先大量收集不同泵况的电流卡片，建立样本库;然后提取样本库中不同泵况电流卡片的特征值，按照一定的训练原则进行训练。训练完成后得到所需的权值矩阵，将要诊断的电流卡片特征值与权值矩阵进行计算得出相似度。通过计算机编程应用，证明该方法可以准确、快速地进行电泵诊断。

潜油电泵；电流卡片；BP神经网络；特征值；工况诊断

潜油电泵采油技术，因其排量大、功率高、能量传递方式简单以及管理方便等优点得到了现场的广泛应用。但由于潜油电泵结构较为复杂，井下工作条件恶劣，在油田开采过程中综合故障率较高。如何通过地面信息(如电流卡片)对潜油电泵进行工况诊断，判断分析故障原因。

目前潜油电泵技术主要分为以下3种：专家系统、模糊理论以及BP神经网络。专家系统的研究起步最早[1-5]，模糊理论由于具有处理不确定信息的能力，因此通常与专家系统联合，作为前处理和后处理。本文采用的BP神经网络技术在电潜泵故障诊断中应用较晚[6-10]，但是它具有强大的并行计算能力模式识别，因此作者应用此方法基于电流卡片对电潜泵进行诊断。

1　BP神经网络原理

BP神经网络是一种神经前馈式多层神经网络模型和误差反向传播梯度下降法来修正算法。对于每一个输入的模式样本，其均方误差为Ep[11-13]：

(1)

式中：tpk为期望输出值；opk为实际输出值。

而对所有的学习样本，网络的均方误差E为：

(2)

式中：N为输入模式样本总数。

确定了电流卡片的特征值数量，神经网络的输入层神经元数目也就确定了。神经网络识别的泵况种类决定了输出层神经元的数目。在输入层和输出层数目确定的情况下，神经网络的性能在一定程度上由隐含层单元数来决定，同一种类型的特征值曲线相似只是幅度略有不同，不同故障类型的特征曲线形态差别明显，保证了神经网络能够有效识别。每个故障取4个样本分别使用以上得到的隐藏单元数来建立网络进行训练，然后建立24个样本的检验样本库，通过判断的准确率来检验训练。

2　基于BP神经网络的电潜泵故障诊断的实现

基于BP神经网络的电潜泵故障诊断过程如图1所示。

图1　BP神经网络诊断过程结构图

2.1样本库的建立

样本库由以下两种方法建立：① 现场收集。尽可能收集到所有故障类型的电流卡片，不同故障类型的电流卡片数量要大致一样。② 人工设计电流卡片。现场电流卡片故障类型有可能不全，如果没有收集到典型的电流卡片，可认为设计所需的电流卡片类型，补全电流卡片库。笔者收集到10种典型电潜泵故障的电流卡片：正常泵况、电泵气塞、不合理启动、泵抽空、欠电流停泵、频繁运行、电泵延时太短、欠载失灵、过载停泵、手动强制再启动，每种故障样本18张，建立了总数量为180的样本库。

训练完成后得到所需的权值矩阵，将要诊断的电流卡片特征值与权值矩阵进行计算得出相似度。在网络的学习过程中，首先要确定网络的学习原则，以便于有目的的组织训练，具体的样本训练规则。

2.2样本特征值的提取

电潜泵井故障诊断的基础和关键核心问题是电流卡片的模式识别问题。而对于一个模式识别问题，它的的研究内容是对模式(识别对象)的特征的描述。神经网络识别的泵况种类决定了输出层神经元的数目。

模式识别的主要依据是特征量，根据电流卡片的特征提取了4类电流卡片的特征量，分别是电流波动特征量、电流变化特征量、停机特征量、开关机特征量。

2.2.1电流波动特征量

(1) 电流波动归一化时间

在一个周期中每次电流波动起始时间和终止时间之差相加除以周期运行的总时间。

(3)

(2) 电流波动大小差值归一化

波动时刻最大波动电流值与最小波动电流值之差除以最大电流：

(4)

式中：Imax为电流波动时最大电流，A；Imin为电流波动时最小电流，A；I为最大电流与最小电流差值归一化。

2.2.2电流变化特征量

(1) 4 h内电泵正常运行归一化时间

4 h内电泵正常运行的时间与4 h之比(一周运行24 h，所以该特征值提取6个)。

(5)

式中：T正为4 h内电流正常运行时间，min。

(2) 一周内电流归一化总和

运行一周时间内电流数值总和与一周内按最大电流运行数值之比：

(6)

2.2.3停机特征量

(1) 欠载停泵归一化时间总和

从每次欠载到停泵时刻时间之差与一周总时间之比：

(7)

(2) 欠载停泵平均归一化时间

欠载停泵归一化时间总和与欠载停泵次数的比值：

(8)

(3) 过载停泵归一化时间总和

从每次欠载到停泵时刻时间之差与一周总时间之比：

(9)

(4) 过载停泵平均归一化时间

过载停泵归一化时间总和与过载停泵次数的比值：

(10)

2.2.4开关机特征量

① 提取开机次数

② 提取开机失败次数

③ 开机到关机之间归一化时间总和

(11)

④ 开机到关机之间平均归一化时间

(12)

⑤ 关机到开机之间归一化时间总和

(13)

⑥ 关机到开机之间平均归一化时间

(14)

式中：n为开关机次数；T为关机到开机之间归一化时间总和。

2.3BP神经网络的训练

2.3.1隐含层的确定确定了电流卡片的特征值数量，神经网络的输入层神经元数目也就确定了。而神经网络识别的泵况种类决定了输出层神经元的数目。在输入层和输出层数目确定的情况下，神经网络的性能在一定程度上由隐含层单元数来决定。目前3种隐含层单位数j的计算方法如下[14-16]：

(15)

(16)

(17)

式中：k为样本数；i为输入层单元数；o为输出层单元数；a为常数1～10；j为中间层单元数。

已知，k=180、i=19、o=10分别代入式(15)、(16)、(17)，式(15)结果>7、式(16)结果为j∈(7,16]，式(17)计算结果为j=5。神经网络的性能在一定程度上由隐含层单元数来决定同一种类型的特征值曲线相似只是幅度略有不同，不同故障类型的特征曲线形态差别明显取泵抽空后不合理运行、频繁短启动周期、欠电流、保护失灵、过载停泵、油位控制电泵延时太短6种故障，每个故障取4个样本分别使用以上得到的隐藏单元数来建立网络进行训练，然后建立24个样本的检验样本库，通过判断的准确率来检验训练后神经网络的性能，结果见图2。

图2　不同隐含层的识别率

由图2可以得出，当隐含层单元数为10时，样本的识别率最高。所以，此神经网络中间层单元数为10。

2.3.2神经网络的训练过程在网络的学习过程中，首先要确定网络的学习原则，以便于有目的的组织训练，具体的样本训练规则如下：

(1) 采取直到型循环，权值矩阵经所有样本一次调整完成后再进行第二轮训练。

(2) 在一轮训练中，一种电流卡片类型的样本集中训练。

(3) 在训练中，相似类型或区别不明显的样本类型尽量远离。

3　实际检验

采用VB编程的方法实现了上述算法，为了检验本模型的应用BP神经以及的网络方法诊断电潜泵井下故障的准确性。建立了一个新的检验样本数据库，样本容量为50个。用上面得到的权值矩阵进行判断识别率达92%。

4　结论

提出了应用BP神经网络进行电潜泵故障的诊断，基于不同泵况的电流卡片，建立样本库。经实际样本检验，样本的识别率达92%。说明该方法可满足现场快速、准确、智能工况诊断需求，减少电潜泵在不正常工况下的工作时间，有效提高电潜泵井的经济效益。

[1]冯定, 朱宏武, 薛敦松. 基于系统分析的潜油电泵机组综合诊断模型[J]. 石油学报, 2007,28(1):127-130.

Feng Ding, Zhu Hongwu, Xue Dunsong. Synthetic diagnos is model for electric submers ible pump unit based on system analysis[J]. Acta Petrolei Sinica, 2007,28(1):127-130.

[2]王贺林, 孙军, 刘柏良，等. 关家堡油田电泵井在线诊断技术研究[J]. 中国石油和化工, 2007(12):40-43.

[3]冯定. 潜油电泵机组综合诊断关键技术研究[D]. 北京：中国石油大学(北京), 2006.

[4]姚亦华. 海上油田潜油电泵生产系统优化设计与工况诊断[D]. 南充：西南石油学院, 2002.

[5]姚诚, 刘广孚, 李忠国，等. 基于小波系数功率谱的潜油电泵偏磨故障诊断[J]. 仪器仪表学报, 2011, 32(8):1757-1762.

Yao Cheng, Liu Guangfu, Li Zhongguo, et al. Partial friction fault diagnosis of electric submersible pump based on power spectra of wavelet coefficients[J]. Chinese Journal of Scientific Instrumen, 2011, 32(8):1757-1762.

[6]姚诚. 潜油电泵井工况监测理论与诊断技术研究[D]. 青岛：中国石油大学(华东), 2011.

[7]徐长航, 杨其俊, 陈国明，等. 潜油电泵机组振动检测与故障诊断系统[J]. 石油矿场机械, 2003, 32(1):14-16.

Xu Changhang, Yang Qijun, Chen Guoming, et al. Vibration detection and fault diagnosis system of electric submersible pump[J]. Oil Field Equipment, 2003, 32(1):14-16.

[8]余继华, 冯定, 卢运娇，等. 基于神经网络的潜油电泵诊断研究[J]. 机械, 2005, 32(5):54-56.

[9]李刚, 宋福根. 基于BP神经网络的潜油电泵故障诊断知识管理研究[J]. 中国制造业信息化, 2008, 37(1):73-75.

Li Gang, Song Fugen. The fault diagnosis knowledge management of electrical submersible pump (ESP)based on BP neural network[J]. Manufacture Information Engineering of China, 2008, 37(1):73-75.

[10]黄丹, 黄采伦. 基于BP神经网络模型的电机故障诊断专家系统[J]. 自动化仪表, 2003, 24(3):15-17.

Huang Dan, Huang Cailun. BP neural network model based expert system of fault diagnostic of electrical machinery[J]. Process Automation Instrumentation, 2003, 24(3):15-17.

[11]鄢玉, 杨洁明. BP神经网络算法探讨[J]. 科技情报开发与经济, 2006, 16(3):241-242.

Yan Yu, Yang Jieming. Probe into BP neural networks algorithm[J]. Sci-Tech Information Development & Economy, 2006, 16(3):241-242.

[12]王青海. BP神经网络算法的一种改进[J]. 青海大学学报(自然科学版), 2004, 22(3):82-84.

Wang Qinghai. Improvement on BP algorithm in artificial neural network[J]. Journal of Qinghai University(Natural Science Edition), 2004, 22(3):82-84.

[13]王贇松, 许洪国. 快速收敛的BP神经网络算法[J]. 吉林大学学报(工学版), 2003, 33(4):79-84.

Wang Yunsong, Xu Hongguo. Fast convergent algorithm-BP for trainning neural network[J]. Journal of Jilin University (Engineering and Technology Edition), 2003, 33(4):79-84.

[14]刘晋钢, 韩燮, 李华玲. BP神经网络改进算法的应用[J]. 华北工学院学报, 2002, 23(6):449-451.

Liu Jingang, Han Xie, Li Hualing. Application of an improved arithmetic on BP neural networks[J]. Journal of North China Institute of Technology, 2002, 23(6):449-451.

[15]王耀南.智能信息处理技术[M].北京：高等教育出版社，2003:130-132.

[16]靳蕃.神经计算智能基础原理方法[M].成都：西南交通大学出版社，2000:132-137.

(编辑宋官龙)

Fault Diagnosis of Electric Submersible Pump Based on BP Neural Network

Peng Kexiang

(CollegeofPetroleumEngineering,YangtzeUniversity,WuhanHubei430100,China)

Current card is the main basis of electric submersible pump well fault diagnosis. At present, the diagnosis of electric pumping wells is mainly completed by technical workers. It is difficult to achieve rapid mass diagnosis, and the diagnosis results are greatly influenced by engineer technology level. Therefore the application of BP neural network for fault diagnosis of electric submersible pump is put forward. First of all, different pump current cards are collected, and sample library is established. The eigenvalues of the different pump current card are gathered and trained according to certain principles. After completion of training a weight matrix is got, and the current card characteristic values and weights matrix of similarity is calculated. Through computer programming application, the method can be proved to make electric pump diagnosis accurately and rapidly.

Electric submersible pump; Current card; BP neural network; Eigenvalue; Working condition diagnosis

1006-396X(2016)01-0076-04

投稿网址：http://journal.lnpu.edu.cn

2015-10-29

2015-12-11

彭科翔(1990-)，男，硕士研究生，从事油气田开发工程、油气开采理论与应用技术研究；E-mail：541081111@qq.com。

TE933+.3

Adoi:10.3969/j.issn.1006-396X.2016.01.015